Голосовой ИИ ещё не достиг момента ChatGPT

Голосовые интерфейсы остаются одним из самых обсуждаемых направлений в ИИ: инвесторы вкладывают миллиарды в стартапы, работающие над моделями, корпоративными голосовыми ассистентами, сервисами для расшифровки встреч и диктовки. Однако, по мнению участников конференции HumanX, несмотря на появление полноценных дуплексных моделей, способных слушать и говорить одновременно, голосовой ИИ пока не пережил свой «момент ChatGPT».

Технический директор платформы PolyAI Шон Вэнь считает, что главная задача теперь — не просто создать дуплексную модель, а обеспечить очень быстрое рассуждение, чтобы ответы находились мгновенно и разговор ощущался естественным. По его словам, голосовые агенты в клиентском сервисе не должны звучать роботизированно и обязаны внушать звонящему уверенность, что проблема будет решена. «Следующий этап будет немного другим: как только голос станет достаточно хорош и клиент захочет поговорить с агентом две-три реплики, он начнёт набираться уверенности и со временем поймёт, что, возможно, ему не нужно общаться с человеком, если агент решает его вопрос», — сказал Вэнь.

Директор по маркетингу сервиса для заметок Otter Алекс Гэй отметил, что для автоматизации критически важны идентификация говорящего, распознавание намерения и связывание расшифровки с корпоративными знаниями. Компания также работает над цифровыми двойниками, которые могут представлять людей на встречах, и для этого необходимо, чтобы голос аватара передавал те же эмоциональные оттенки, что и живое общение. «Если вы не можете получить этого от аватара, то это просто чат-бот для вопросов и ответов», — подчеркнул Гэй.

Несмотря на прогресс моделей, голосовые ассистенты часто неверно понимают пользователей, а сервисы расшифровки встреч выдают ошибочные транскрипты или резюме. Вэнь связывает это с тем, что модели автоматического распознавания речи (ASR) нередко пропускают важные ключевые слова, из-за чего страдает весь контекст. Гэй согласен: по его словам, Otter постоянно улучшает транскрипцию, поскольку неточность на этом этапе делает ошибочными все последующие действия и подрывает доверие к платформе.

Отдельно поднимается вопрос прозрачности. Инструменты должны предупреждать клиентов о записи разговора или о том, что они общаются с ИИ. Otter стремится укрепить доверие участников встречи: даже если бот не присутствует, компания хочет уведомлять всех в чате о том, что встреча записывается. PolyAI также настаивает на том, чтобы в корпоративных звонках люди чётко понимали, что говорят с искусственным интеллектом.

Таким образом, ключевыми барьерами для голосового ИИ остаются скорость рассуждений, точность распознавания речи и эмоциональная выразительность синтеза. Пока эти проблемы не решены, голосовые агенты будут восприниматься скорее как полезный, но ограниченный инструмент, а не как полноценная замена человеческого общения. Именно от преодоления этих барьеров зависит, наступит ли для голосовых технологий их собственный «момент ChatGPT».